警务管理大数据化：下一个政务大数据风口

【作者：吴裕彬】

最近几年，在美国，警务管理的模式随着大数据的出现正在发生革命性的变化。警务部门一方面面对着不断上升的犯罪种类和规模，另一方面又面对着由于宏观经济的下行带来的预算压缩，这使得警务部门越来越多地转向大数据，以此来提高警员的办案效率，以及优化巡逻警力的配置。虽然大数据在警务部门的运用还有很大的改善空间，但其在帮助警务部门突破资源限制方面的巨大潜力已显露无疑，更重要的是，它能使警务部门更加主动地防止犯罪活动的发生，而不是对犯罪活动做出被动反应。美国在这方面的实践和经验或许指明了中国未来的发展方向。

Compstat模式：警务管理初露头角

巡逻活动是警务部门的职能基石，占据了警务部门最大的警力和资源配置，也是警员与社区双向互动的源泉，因此，在这个领域运用大数据，将最大限度挖掘警务部门预防犯罪活动的潜力。以往巡逻活动由报警电话、警车和对讲机主导，可以说是反应型的，基本上由呼叫服务驱动，警员没有多大自主空间。哪怕是警员有机会自主巡逻，其活动的主要内容和时间安排也是由行政管理部门决定的，他们的主观能动性主要体现在自身经验和本能在执行警务时的运用。可想而知，一旦运用大数据，这种极其原始的巡逻方式其效率将会发生巨大变化。让我们来看看大数据是如何革新美国的巡逻活动的。

1990年代，一个叫做Compstat（计算机统计信息比照）的警务管理模式开始兴起。Compstat最初由纽约市警察局开创，是一种以计算机信息数据驱动的警务管理模式。纽约市警察局设立数据中心将犯罪、逮捕、联络人等警务数据存储起来，然后将这些数据映射到地图上，以此来制定警务策略和落实警务责任。犯罪高发区域将获得更多资源支持，并且警务方案的执行效率可以通过数据指标来衡量。Compstat的应用使得纽约市犯罪率大降，成为全美最安全的一个城市。此外，新奥尔良和明里波利斯等地的警察局自从采用Compstat模式后，犯罪率都出现了双位数的下降。Compstat的兴起推动了全美警务部门广泛采用以数据和情报驱动的模式去管理巡逻活动，使得警务部门的办案效率和能力都有很大提升，也帮助了警方将最佳的巡逻行为范式进行标准化，淘汰和禁止了那些无效的巡逻行为范式。

圣克鲁斯实验：预测性警务的标杆

Compstat虽然成就斐然，但依然有短板。在Compstat模式中，警务部门主要是对最近的和历史的趋势做出反应，而不是对正在出现和将来可能出现的趋势进行预防性干预。警务部门虽然制止了犯罪，并惩罚了罪犯，但最理想的状态应是预防犯罪的发生。其实有些类型的犯罪是可以用数学模型建模并预测的，例如财产犯罪，其关键变量多为位置相关——易达性、相对富裕程度以及安保水平等。UCLA的数学家George Mohler通过建立财产犯罪的大数据库，发现财产犯罪地图（Property Crime Map）随时间的变化和其它一些自然现象（例如地震）相似，因此他修改了预测余震的数学算法，以此来预测未来的财产犯罪，结果其模型的准确性经实践检验要显著高于传统的犯罪地图（例如Compstat）。这导致圣克鲁斯市运用该模型进行了6个月的大数据驱动的警务实验，结果该市在警力较少的情况下，通过预测性警务（predictive policing）活动成功使财产犯罪率显著下降。

圣克鲁斯实验的模版成为了预测性警务的标杆，被从洛杉矶到伦敦的警务部门效仿。圣克鲁斯实验通过比较过去的犯罪数据（共有5000个犯罪记录）来预测未来的财产犯罪的地点。这个预测的算法很复杂，需要将每一个犯罪的数据（如时间、地点等）和其它所有犯罪的数据进行比较，而且这些运算必须随新犯罪的出现进行实时更新。更复杂的模型还可以包括ATM机位置、公共汽车路线和当地天气等数据。圣克鲁斯实验使得预测性警务成为大数据技术的一个极富野心的运用。

第一眼看过去，圣克鲁斯实验中预测性警务采用的算法所得到的结果和Compstat的犯罪地图很像，但其精确度更让人惊讶。圣克鲁斯实验在全市总共确认了10个犯罪热点，每个热点只有500平方英尺大。在这些热点区域财产犯罪发生的可能性要显著高于别的区域，有些时候只要在这些热点增加一些巡逻次数，就可以对罪犯起到震慑作用，从而预防犯罪的发生。圣克鲁斯实验的6个月内，全市财产犯罪率上升的趋势被逆转，其犯罪率比上一年同期下降了11%，比历史同期平均水平还低4%。

增强警务部门的计算机统计信息比照和预测性警务能力可以有效地节约资源，并能更强有力地保护及服务公众。而且预测性警务中的大数据技术大多是以Apache Hadoop框架为基础建立的开源技术，这使得公众可以更好地参与到这些大数据库的建设过程当中，使大数据库更加开放、透明和民主化。

大数据警务的5大优势

概括而言，大数据运用在警务活动中有5大优势：

·        有确切的目标。这些目标可以是减少街头抢劫、凶杀等犯罪率，其实现都可以通过大数据进行准确地衡量，并且可以有效地落实到责任人。

·        正确、及时的情报收集。警察要对犯罪和社区需要做出及时有效的反应，各层次警察都必须接受、收集和传播准确、及时的犯罪信息，因为这些信息大数据化后，将成为犯罪分析、方案制定和成果评估的基础。这要求各层级警务人员之间高度配合，使警务部门成为一个能对外部环境进行评估、考核，并不断适应外部环境需要的学习组织。

·        确保警务执行方案的有效性。预测性警务模式的组织本质是一种战略管理系统，该系统通过整合各层级警务人员的行为和决策，使组织成为高效合作的团队。因此，预测性警务模式不仅是目标导向的，也是调整导向的。该模式提供的信息可以使警务管理部门对警务执行方案的质量、降低犯罪措施的质量、执行管理、职责落实等事项进行充分和及时的了解，从而修正甚至扬弃无效的执行方案，采纳及推广有效甚至高效的执行方案。

·        人员和资源的快速、有效部署。与传统的管理方式不同，预测性警务模式下每个层级单位都是争夺有限资源的竞争中心。各层级单位可以根据自身的执行方案和大数据库反馈的信息向总局要求资源协调，总局也可以据此对有限的资源进行及时、灵活的配置。

·        有效的追踪和评估。预测性警务模式可以为警务管理者提供一条发现什么是成功的和什么是失败的执行方案的途径，从而使他们能不断地对警务管理进行动态优化调整，不断地追踪和评估各层级的绩效。

鉴于中国的公共安全开支已达万亿元级别，警务管理的大数据化会成为带动整个公共安全大数据化的一个重要引擎，对于国内的大数据服务及设备供应商而言，这可能是中国政务大数据爆发的一个风口，也符合国务院《促进大数据发展行动纲要》的文件精神。